Análisis de diferentes metodos de clasificación de una imagen de

Análisis de diferentes metodos de clasificación de una imagen de

ANÁLISIS DE DIFERENTES METODOS DE CLASIFICACION DE UNA
IMAGEN DE SATELITE PARA CARACTERIZAR LA SUPERFICIE
AFECTADA POR INCENDIO FORESTAL EN ECOSISTEMAS DE BOSQUE
SECO
Dedios Mimbela. N.J
[email protected]
RESUMEN
En el presente estudio se aplican y se evalúan diferentes técnicas de extracción de
información a partir de una imagen de satélite Landsat TM-5 para caracterizar la
superficie afectada por el incendio del año 2000 en un sector del departamento de Piura.
Los métodos ensayados son la clasificación digital, tanto supervisada como no
supervisada, y la clasificación mediante índices de vegetación; NDVI, SAVI
(substitución de la banda TM3 por la banda TM4).
Se pretende identificar y cuantificar la superficie afectada por el incendio, identificar los
diferentes grados de afección de la cubierta vegetal y evaluar la validez y fiabilidad de
cada un de los métodos ensayados. Además de la imagen de satélite. Se dispone de un
extenso trabajo de campo.
PALABRAS CLAVE: Teledetección incendio forestal, clasificación supervisada,
clasificación no supervisada, índices de vegetación.
INTRODUCCIÓN
El área de estudio comprende la superficie afectada por el incendio producido en el año
2000 que ocupa parte del distritos de Chulucanas, pertenecientes a la Región PiuraPerú, localizándose el 65% concentrada la mayor superficie de área quemada en este
distrito. El paisaje vegetal está constituido por un mosaico de bosques y cultivos de
secano (temporales). La formación forestal antes del incendio se encontraba constituido
por un bosque seco ralo producto de la regeneración natural de las precipitaciones del
año 1983 (FEN). Siendo la especie predominante Prosopis pallida y Capparis angulata
la especie de mayor vulnerabilidad. Entre la vegetación constituyentes de matorral
representan a overal principalmente.
METODOLOGÍA
Se trabajó con una imagen de satélite, Landsat ETM+ (de resolución espacial 30X30
metros por lado) captada por el sensor de fecha 13/06/00. Previamente a las operaciones
de pre tratamiento de la imagen se procedió a aislar la zona que cubría el área afectada y
un contorno relativamente amplio de la misma, la subescena final contenía una
superficie aproximada de 200 Km2. Para la realización de la corrección geométrica se
procedió a efectuar 120 puntos de control distribuidos en toda la imagen. Como función
de transformación se eligió un polinomio de primer grado. El error cuadrático medio del
ajuste polinómico no supero los 17 metros. El remuestreo de los números digitales a su
posición corregida se realizó a partir del método del vecino mas próximo.
Se usó también información extraída de trabajo de campo usando GPS (Sistema de
Posicionamiento Global).
Por medio de la interpretación visual de la imagen de satélite Landsat ETM+, se pudo
determinar el área afectada por el incendio del año 2000, digitalizando en pantalla sobre
una composición en falso color RGB 543, que resalta los tonos marrones que
corresponden al área afectada y verdes de la vegetación sana. A partir de esta región
delimitada se cuantificó la superficie afectada y se aplicó como mascara en las
posteriores clasificaciones.
Se realizaron clasificaciones supervisadas. En la clasificación supervisada I, la selección
de áreas de entrenamiento se realizó a partir del mapa obtenido por trabajo de campo de
referencia, es decir se digitalizaron las áreas en pantalla y directamente sobre las
diferentes unidades delimitadas en el mapa. En la clasificación supervisada II. Los
campos de entrenamiento se delimitaron tomando como referencia del trabajo de
campo. Las clases delimitas según los dos tipos de método supervisado puede ser
consultado en la tabla I. Para evaluar la viabilidad de las áreas de entrenamiento
muestreadas para representar las diferentes categorías, se empleo el método numérico,
la divergencia transformada, y uno de gráfico “signaturas espectrales”.
CLASES DE LA CLASIFICACIÓN I
CLASES DE LA CLASIFICACIÓN II
Masa forestal no afectada
Masa forestal densa o afectada
Masa forestal poco densa no afectada
Masa forestal con el sotabosque quemado
Masa
afectada
forestal
densa
irregularmente
Masa forestal irregularmente afectada
Masa forestal poco densa e irregularmente
afectada
Masa forestal sufocada
Masa forestal densa totalmente quemada
Sombras
Sombras
Masa forestal totalmente quemada
Masa forestal poco densa totalmente
quemada Suelo desnudo forestal quemado
Cultivos-suelo desnudo agrícola
Suelo desnudo agrícola
Tabla1. Clases discriminadas según método supervisado
Una vez comprobada la calidad de las áreas se procedió a la fase de asignación, la cual
se realizo a partir del clasificador de máxima verosimilitud. Finalmente se obtuvieron
mapas del grado de afección de la cubierta vegetal. Posteriormente se procedieron a
agrupar las clases iniciales para formar una leyenda final común a las dos
clasificaciones para, poder de esta manera, contrastar los resultados y superponer los
mapas finales. Las clases finales se pueden consultar en la tabla 2 “El mapa obtenido a
partir de la clasificación supervisada II puede observarse en la figura 2.
Se desarrollo una clasificación según el método no supervisado. Se ensayaron diversas
aproximaciones: 6, 11, 15, 20, 25, 30 clusters. La clasificación no supervisada se realizo
mediante el método isoclass. El algoritmo utilizado para asignar los píxeles a las
diferentes agrupaciones espectrales fue el de máxima verosimilitud.
Finalmente se realizaron clasificaciones de la cubierta vegetal en función del grado de
afección que presentaba a partir de índices de vegetación. Se ensayó con el NDVI con
dos versiones del mismo utilizados en algunos estudios relacionados con la incidencia
de incendios forestales; la versión NDVI 5 (construida a partir de la substitución de la
banda 3 por la banda 5) (Chuvieco, 1999) y la versión NDVI7 (construida a partir de la
substitución de la banda 3 por la banda 7) (Lopez y Caselles, 1991; Koutsias y Karteris,
1998 ). Por ultimo se ensayó con el índice SAVI (Soil adjusted vegetation index). La
formula de este último índice se construye también a partir del índice de vegetación de
diferencia normalizada al cual se le añade un factor relacionado con la reflectividad del
suelo. El valor de este parámetro adoptado en el presente estudio es de 0.5 (Huete,
1998).
Las clases discriminadas a partir de los índices de vegetación se pueden consultar en la
Tabla 3. Para realizar estas clasificaciones se aislaron de la imagen la zona de nubes y
sombras, ya que los cocientes entre bandas tienden a minimizar el efecto de estas
categorías (Chuvieco, 1996) y por lo tanto, surgían problemas de solapamiento con el
resto de las clases informacionales.
CLASES DISCRIMINADAS
Masa forestal no afectada
Masa forestal irregularmente afectada
Sector quemado expuesto
Suelo desnudo agrícola
Cultivos
Cuerpos de agua
Centro poblado
Tabla 2.Clases discriminadas a partir de los índices de vegetación
EVALUACION DE LAS CLASIFICACIONES
La estimación de la exactitud de los mapas obtenidos a partir de la clasificación
supervisada I se realizó por confrontación con la cartografía derivada del trabajo de
campo de referencia. La forma de evaluarlo fue mediante un conjunto de píxeles de
control (150) distribuidos estratificadamente a lo largo de la zona afectada por el
incendio.
Los mapas obtenidos basándose en la leyenda diseñada a partir del trabajo de campo,
clasificación supervisada II, se evaluaron también a partir de píxeles de control. Se
trataba de dos grupos de píxeles de control bien diferenciados; un primer grupo de
control dirigidos; es decir, se establecieron sobre la superficie representada y sobre
aquellas áreas no utilizadas en la fase de entrenamiento.
El segundo grupo de pixeles de control se distribuyo sistemáticamente a lo largo de todo
el área afectada por el incendio. La identificación también se realizó manual
e
individualmente por comparación de la respuesta espectral presentada por los píxeles
seleccionados.
Las clasificaciones obtenidas a partir del método no supervisado y a partir de los índices
de vegetación se evaluaron a partir de de los mismos píxeles de control identificados en
la clasificación II.
Todas las clasificaciones se evaluaron también a partir de tabulaciones cruzadas. La
comparación de los resultados tanto por lo que respecta a la evaluación de los píxeles de
control como a las tabulaciones cruzadas se realizo mediante matrices de error.
RESULTADOS Y DISCUSIÓN
Con relación a la delimitación del contorno de la superficie afectada por el incendio del
año 2000, el resultado obtenido no difiere mucho de los resultados dados por otras
fuentes. Tabla 4. Hecho que demuestra la viabilidad en la utilización de imágenes de
satélite para discriminar y delimitar superficies afectadas por incendios.
Por lo que respecta a la valoración de la clasificación supervisada I: Los índices
derivados de la matriz de confusión alcanzaron escaso valor. La fiabilidad global fue de
0.3 y el índice Kappa de 0.16 para la leyenda inicial. Una vez agrupadas las clases, el
valor de los índices aumento escasamente. La fiabilidad global paso a ser de 0.2 y el
índice Kappa a 0.43
Los resultados mejoraron para la clasificación supervisada II. En el mapa inicial se
alcanzaron un valor de fiabilidad global de 0.69 y un índice Kappa de 0.65. Al realizar
la agrupación de las clases iniciales los valores que se obtuvieron fueron de 0.7 para el
índice de Kappa y 0.76 de fiabilidad global.
En relación a las superficies obtenidas según el método supervisado y para cada una de
las clases se pueden consultar en la tabla 3.
CLASES
TRABAJO DE
CLASIFICACION
CLASIFICACION
DISCRIMINADAS
CAMPO
SUPERVISADA I
SUPERVISADA II
Masa forestal no
223,37
713,25
1403,36
5973,68
5972,69
7647,34
12010,87
9698,44
11231,67
Afectada
Masa forestal
irregularmente quemada
Masa forestal totalmente
quemada
cultivos
198,75
Suelo desnudo agrícola
7401,62
Cuerpos de agua
9224,25
4925,75
1873,92
29834,22
Total
Tabla 3.- Categorías discriminadas según método de clasificación
En cuanto a la clasificación no supervisada se opto por la clase de 8 isoclass ya que a
partir de ese valor las agrupaciones presentaban áreas inferiores a la unidad y
agrupaciones inferiores a 15 deban llegar a 8 clases excesivamente amplias difíciles de
ser interpretables. Se discriminaron 4 clases (tabla6). La fiabilidad global obtenida fue
de 0.67y el índice de Kappa, 0.57.
Tabla 4.- Clases discriminadas a partir de la clasificación no supervisada.
CLASES DISCRIMINADAS
Masa forestal no afectada
Masa forestal irregularmente afectada
Masa forestal totalmente quemada
Cuerpos de agua
Suelo desnudo agrícola
Los índices que han dado mejores resultados en cuanto a la discriminación en grados de
afección de incendios fueron el índice NDVI y el índice SAVI con una fiabilidad global
de . 0,69 en los dos casos un índice de Kappa de 0,57 y 0,58 respectivamente.
Hay que tener en cuenta que la mitad de los píxeles de control utilizados tanto para la
valoración de la clasificación supervisada mm como para el método supervisado y las
clasificaciones a partir de los índices de vegetación están concentrados en una región
relativamente pequeña en comparación con la superficie total del incendio por lo que
probablemente los resultados se encuentran sesgados. Razón por la cual se desarrollaron
tabulaciones cruzadas. Ya que la evaluación se efectúa para este caso en casa uno de los
píxeles que componen la imagen y además se analiza la coincidencia espacial de las
diferentes unidades de superficie correspondiente a cada clase y respecto a las unidades
delimitadas a partir del trabajo de campo de referencia.
CONCLUSIONES
Respecto a la delimitacion del perímetro del incendio, el resultado obtenido mediante
interpretación visual esta dentro de los rangos de valores dados por las diferentes
fuentes de información consultadas. Hecho que pone de relieve la utilidad de este
método para cuantificar de manera rápida y bastante aproximada las hectáreas totales
afectadas por incendios.
En general y para todas las aproximaciones ensayadas, las clases que se discriminan
mejor son la clase masa forestal no afectada y la clase masa forestal totalmente
quemada, siendo la clase intermedia; masa forestal irregularmente quemada la que da
lugar a confusiones.
El método supervisado ha resultado ser el mas adecuado para discriminar entre las
diferentes regiones de una masa incendiada según la intensidad de daños producidos por
el fuego. Los clusters generados a partir de la clasificación no supervisada contienen
frecuentemente diversas clases informacionales, siendo muy complicada su atribución a
una clase temática especifica. El conocimiento del área de estudio ha permitido la
asignación de estos clusters a las diferentes categorías presentes en el terreno. Los
resultados obtenidos con este método fueron aceptables.
Los índices NDVI y SAVI han demostrado una notable sensibilidad a la discriminación
de grados de afección de la cubierta vegetal, siendo la segmentación de la banda en
intervalos representativos de cada una de las categorías, el principal inconveniente que
presenta este método. Por el contrario, las clasificaciones obtenidas a partir de las dos
versiones del índice NDVI ensayos han dado escasos resultados.
La escala de trabajo, el desfase temporal existente entre el tiempo y la toma de datos de
referencia (trabajo de campo) y la fecha de la imagen de satélite y el desplazamiento
espacial existente entra las diferentes coberturas digitalizadas a partir del trabajo de
campo y las obtenidas basándose en el análisis digital, han resultado ser las causas
principales por lo que respecta a las diferencias correspondientes tanto a las superficies
de cada clase como a su localización espacial.
BIBLIOGRAFIA
Chuvieco, E. 1999. Remote Sensing of large wildfires in the european Mediterranean
Basein. Ed. Springer. Berlin, 212 pàg.
Eastman, R.J. 1999. Guide to GIS an imagen processing. Volume 2.Ed. Clark Labs.
Worcester, M.A. 170 pp.
Huete, A.R. 1998. A soil adjusted vegetation index (SAVI). Remote Sensing of
Environment (25): 295-309.
Koutsias, N. I Karteris, M (1998). Burned area mapping using logistic regression
modelling of a single post-fire Landsat-5 Thematic Mapper image. International
Journal of Remote Sensing 19:3499-3514.